本研究介绍了一种名为BS-CNN的自定义卷积神经网络架构,用于盲SIM(盲结构照明显微镜)的反卷积。BS-CNN在分辨率和保真度方面优于其他盲SIM反卷积算法,且在跨数据库可变性方面具有鲁棒性。这种方法为在所有场景中使用基于CNN的反卷积铺平了道路,其中可以使用照明的统计模型,而具体的实现是未知的或嘈杂的。在光学中,衍射极限是可以识别两个物体的最小距离,它取决于波长和数值孔径。通过消除或逆转衍射和其他噪声源的影响,可以超越衍射极限并提高图像对比度。反卷积方法的性能取决于对实验条件和成像样品特性的了解。例如,由光活化或光漂白引起的分子发射器的稀疏性使观察者能够实现十倍以上的分辨率增强。BS-CNN可以减少反卷积的计算时间并提高图像分辨率,通过使用多通道架构可以显着减少所需的帧数,并且可以提供改进的噪声弹性。